基于1D-DCGAN和1D-CAE的小样本轴承故障跨域诊断方法

作者：林培,许杨剑,傅军平,等. 日期：2023-05-25/span> 浏览：3592 查看PDF文档

摘要:充足的故障样本是基于深度学习的故障诊断方法取得良好效果的保证。然而,数据不平衡是工业大数据的典型特征。为了减小智能诊断方法对样本数量的依赖,同时为了解决小样本下同种设备以及不同设备间的故障诊断问题,提出了一种基于一维卷积生成对抗网络(1D-DCGAN)与一维卷积自编码器(1DCAE)的轴承故障诊断方法。首先,利用一维卷积层构建了1DDCGAN网络,凭借其强大的数据生成能力扩充了故障数据集;然后,利用一维卷积层构建了1D-CAE网络,通过无监督学习的方式,有效地提取出了故障样本中的潜在特征,实现了对设备的故障诊断功能;基于迁移学习思想,通过对1DCAE模型参数进行迁移,进一步地对小样本下的轴承故障进行了跨域诊断;最后,为验证基于1D-DCGAN和1D-CAE的轴承故障诊断方法的效果,采用了美国凯斯西储大学（CWRU）以及西安交通大学（XJTU）轴承数据集进行了实验。实验结果表明:基于1D-DCGAN和1D-CAE的方法明显优于其他对比模型,同种设备的故障识别精度达到了99.21%,不同设备之间的跨域故障识别精度达到了98.87%。研究结果表明:即使在样本数量较少的场景下,基于1D-DCGAN和1D-CAE的方法也能进行同种设备的故障诊断以及不同设备之间的跨域诊断。

关键词:旋转机械故障诊断;一维卷积生成对抗网络;一维卷积自编码器;迁移学习;深度学习;样本数量

中图分类号:TH133.3;TP183文献标识码:A文章编号:1001-4551(2023)03-0326-09

本文引用格式:

林培,许杨剑,傅军平,等.基于1D-DCGAN和1D-CAE的小样本轴承故障跨域诊断方法［J］.机电工程,2023,40(3):326-334.

LIN Pei, XU Yang-jian, FU Jun-ping, et al. Cross domain diagnosis method for bearing faults with small samples based on 1D-DCGAN and 1D-CAE［J］.Journal of Mechanical & Electrical Engineering, 2023,40(3):326-334.